Améliorer les caractéristiques pour la classification

Machine Learning pour les données chronologiques en Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

L'enveloppe auditive

Lisser les données pour calculer l'enveloppe auditive
Liée à la quantité totale d'énergie audio présente à chaque instant

Lisser dans le temps

Au lieu de moyenner sur tout le temps, on peut faire une moyenne locale
C'est le lissage d'une série chronologique
Il retire le bruit à court terme tout en conservant la tendance générale

Lisser vos données

Calculer une statistique à fenêtre glissante

# Audio est un DataFrame Pandas
print(audio.shape)  
# (n_times, n_audio_files)

(5000, 20)

# Lisser les données avec la moyenne glissante sur une fenêtre de 50 échantillons
window_size = 50
windowed = audio.rolling(window=window_size)
audio_smooth = windowed.mean()

Calculer l'enveloppe auditive

D'abord rectifier l'audio, puis le lisser

  audio_rectified = audio.apply(np.abs)
  audio_envelope = audio_rectified.rolling(50).mean()

Ingénierie de caractéristiques sur l'enveloppe

# Calculer plusieurs caractéristiques de l'enveloppe, une par son
envelope_mean = np.mean(audio_envelope, axis=0)
envelope_std = np.std(audio_envelope, axis=0)
envelope_max = np.max(audio_envelope, axis=0)

# Créer les données d'entraînement pour un classifieur
X = np.column_stack([envelope_mean, envelope_std, envelope_max])

Préparer les caractéristiques pour scikit-learn

X = np.column_stack([envelope_mean, envelope_std, envelope_max])
y = labels.reshape(-1, 1)

Validation croisée pour la classification

cross_val_score automatise :
- la division des données en ensembles d'entraînement/validation
- l'ajustement du modèle sur l'entraînement
- l'évaluation sur la validation
- la répétition du processus

Utiliser cross_val_score

from sklearn.model_selection import cross_val_score

model = LinearSVC()
scores = cross_val_score(model, X, y, cv=3) 
print(scores)

[0.60911642 0.59975305 0.61404035]

Caractéristiques auditives : le tempogramme

On peut résumer des informations temporelles plus complexes avec des fonctions propres aux séries chronologiques
librosa est une excellente bibliothèque pour l'ingénierie de caractéristiques audio et de séries chronologiques
Ici, nous calculerons le tempogramme, qui estime le tempo d'un son dans le temps
On peut en tirer des statistiques sommaires du tempo comme pour l'enveloppe

Calculer le tempogramme

# Importer librosa et calculer le tempo d'un tableau audio 1-D
import librosa as lr
audio_tempo = lr.beat.tempo(y=audio, sr=sfreq, 
                            hop_length=2**6)

Passons à la pratique !

Machine Learning pour les données chronologiques en Python